《Python编程:从入门到实践》第六章练习题

Python编程:从入门到实践——练习题答案(第六章) 第六章 字典 6-1 人:使用一个字典来存储一个熟人的信息,包括名、姓、年龄和居住的城市。 该字典应包含键 first_name、 last_name、 age 和 city。将存储在该字典中的每项信息都打印出来。 person = { 'first_name': 'Iverson', 'last_name': 'Allen', 'age': 32, 'city':... 阅读详情

《Python编程:从入门到实践》第六章练习题

6-1 人

使用一个字典来存储一个熟人的信息,包括名、姓、年龄和居住的城市。该字典应包含键 first_name 、 last_name 、 age 和 city 。将存储在该字典中的每项信息都打印出来。

代码:

human = {'first_name': 'San', 'last_name': 'Zhang', 'age': 22, 'city': "Shenzhen"}

for key, value in human.items():
    print("\nKey: " + key)
    print("Value: " + str(value))

6-2 喜欢的数字

使用一个字典来存储一些人喜欢的数字。请想出 5 个人的名字,并将这些名字用作字典中的键;想出每个人喜欢的一个数字,并将这些数字作为值存储在字典中。打印每个人的名字和喜欢的数字。为让这个程序更有趣,通过询问朋友确保数据是真实的。

代码:

favorite_number = {'Bob': 1, 'Jack': 2, 'Alice': 3, "John": 4, "Tom": 5}

for key, value in favorite_number.items():
    print(key + " like " + str(value))

6-3 词汇表

Python 字典可用于模拟现实生活中的字典,但为避免混淆,我们将后者称为词汇表。

  • 想出你在前面学过的 5 个编程词汇,将它们用作词汇表中的键,并将它们的含义作为值存储在词汇表中。
  • 以整洁的方式打印每个词汇及其含义。为此,你可以先打印词汇,在它后面加上一个冒号,再打印词汇的含义;也可在一行打印词汇,再使用换行符(\n )插入一个空行,然后在下一行以缩进的方式打印词汇的含义。

代码:

vocabulary = {'accumulator': '累加器', 'algorithm': '算法', 'array': '数组', 'branch': '分支', 'breakpoint': '断点'}

for word, meaning in vocabulary.items():
    print(word + ":" + meaning)

6-4 词汇表 2

既然你知道了如何遍历字典,现在请整理你为完成练习 6-3 而编写的代码,将其中的一系列 print 语句替换为一个遍历字典中的键和值的循环。确定该循环正确无误后,再在词汇表中添加 5 个 Python 术语。当你再次运行这个程序时,这些新术语及其含义将自动包含在输出中。

代码:

vocabulary = {}

vocabulary['accumulator'] = '累加器'
vocabulary['algorithm'] = '算法'
vocabulary['array'] = '数组'
vocabulary['branch'] = '分支'
vocabulary['breakpoint'] = '断点'

for word, meaning in vocabulary.items():
    print(word + ":" + meaning)

6-5 河流

创建一个字典,在其中存储三条大河流及其流经的国家。其中一个键 —值对可能是’nile’: ‘egypt’ 。

  • 使用循环为每条河流打印一条消息,如“ The Nile runs through Egypt. ”。
  • 使用循环将该字典中每条河流的名字都打印出来。
  • 使用循环将该字典包含的每个国家的名字都打印出来。

代码:

rivers = {'nile': 'egypt', 'amazon river': 'bizarre', 'yangtze river': 'china'}

for key, value in rivers.items():
    print("The " + key.title() + " runs through " + value.title() + ".")
print("\n")
for key in rivers.keys():
    print(key.title())
print("\n")
for value in rivers.values():
    print(value.title())

6-6 调查

在 6.3.1 节编写的程序 favorite_languages.py 中执行以下操作。

  • 创建一个应该会接受调查的人员名单,其中有些人已包含在字典中,而其他人未包含在字典中。
  • 遍历这个人员名单,对于已参与调查的人,打印一条消息表示感谢。对于还未参与调查的人,打印一条消息邀请他参与调查。

代码:

favorite_language = {'jen': 'python', 'sarah': 'c', 'edward': 'ruby', 'phil': 'python'}
names = ['jen', 'tim', 'phil', 'candy']

for name in names:
    if name in favorite_language.keys():
        print("Dear " + name.title() + ", Thank you for involving in this search!")
    else:
        print("Hi, " + name.title() + "! Would you want to participate in an interesting search?")

6-7 人

在为完成练习 6-1 而编写的程序中,再创建两个表示人的字典,然后将这三个字典都存储在一个名为 people 的列表中。遍历这个列表,将其中每个人的所有信息都打印出来。

代码:

person1 = {'first_name': 'San', 'last_name': 'Zhang', 'age': 22, 'city': "Shenzhen"}
person2 = {'first_name': 'Si', 'last_name': 'Li', 'age': 68, 'city': "Beijing"}
person3 = {'first_name': 'Wu', 'last_name': 'Wang', 'age': 6, 'city': "Shanghai"}
people = [person1, person2, person3]

for person in people:
    name = person['last_name'] + person['first_name']
    print("\nName: " + name)
    print("Age: " + str(person['age']))
    print("City: " + person['city'])

6-8 宠物

创建多个字典,对于每个字典,都使用一个宠物的名称来给它命名;在每个字典中,包含宠物的类型及其主人的名字。将这些字典存储在一个名为 pets 的列表中,再遍历该列表,并将宠物的所有信息都打印出来。

代码:

pet1 = {'name': 'Alice', 'variety': 'cat', 'owner_name': 'Amy'}
pet2 = {'name': 'Bob', 'variety': 'dog', 'owner_name': 'John'}
pet3 = {'name': 'Candy', 'variety': 'bird', 'owner_name': 'Mike'}
pets = [pet1, pet2, pet3]

for pet in pets:
    print("\nName: " + pet['name'])
    print("Variety: " + pet['variety'])
    print("Owner name: " + pet['owner_name'])

6-9 喜欢的地方

创建一个名为 favorite_places 的字典。在这个字典中,将三个人的名字用作键;对于其中的每个人,都存储他喜欢的 1~3 个地方。为让这个练习更有趣些,可让一些朋友指出他们喜欢的几个地方。遍历这个字典,并将其中每个人的名字及其喜欢的地方打印出来。

代码:

favorite_places = {'alice': ['Beijing', 'Shenzhen'], 'bob': [], 'candy': ['Shanghai']}

for name, places in favorite_places.items():
    if len(places) == 1:
        print("\n" + name.title() + "'s favorite place is: ")
        for place in places:
            print("\t" + place.title())
    elif len(places) > 1:
        print("\n" + name.title() + "'s favorite places are: ")
        for place in places:
            print("\t" + place.title())
    else:
        print("\n" + name.title() + " does not have a favorite place.")

6-10 喜欢的数字

修改为完成练习 6-2 而编写的程序,让每个人都可以有多个喜欢的数字,然后将每个人的名字及其喜欢的数字打印出来。

代码:

favorite_number = {'Bob': [1, 2, 3], 'Jack': [4, 5, 6], 'Alice': [7, 8, 9]}

for key, values in favorite_number.items():
    print("\n" + key + " like: ")
    for value in values:
        print("\t" + str(value))

6-11 城市

创建一个名为 cities 的字典,其中将三个城市名用作键;对于每座城市,都创建一个字典,并在其中包含该城市所属的国家、人口约数以及一个有关该城市的事实。在表示每座城市的字典中,应包含 country 、 population 和 fact 等键。将每座城市的名字以及有关它们的信息都打印出来。

代码:

cities = {
    'beijing': {
        'country': 'china',
        'population': '2188.6万',
        'fact': '北京城市的减量发展和大规模的生态环境建设为世界展现了一座高品质绿色宜居城市'
    },

    'paris': {
        'country': 'french',
        'population': '224万',
        'fact': '巴黎都会区人口约为1100万,占据全国人口的六分之一'
    },

    'tokyo': {
        'country': 'japan',
        'population': '1350万',
        'fact': '东京是日本首都,位于日本关东平原中部'
    },
}

for city_name, city_info in cities.items():
    print("\nCity name: " + city_name)
    print("\tpopulation: " + city_info['population'])
    print("\tfact: " + city_info['fact'])

6-12 扩展

本章的示例足够复杂,可以以很多方式进行扩展了。请对本章的一个示例进行扩展:添加键和值、调整程序要解决的问题或改进输出的格式。

略。

【《Python编程:从入门到实践》练习题(部分题目)代码实现——第六章】(Geany编写,窗口运行) 第六章 字典 动手试一试代码实现 (1)习题内容 6-1 人:使用一个字典来存储一个熟人的信息,包含名、姓、年龄和居住的城市。该字典应包含键first_name、last_name、age和city。将存储在该字典中的每项信息都打印出来。 6-5 河流:创建一个字典,在其中存储三条大河流及其流经的国家。其中一个键-值对可能是‘nile’: ‘egypt’。 ①使用循环为每条河流打印一条消息,如“... 阅读详情

相关推荐

Python编程:从入门到实践的动手试一试练习答案(第六章)

以下内容非标准答案,是我个人练习内容,仅供参考: 如有不准确,希望指出 # ~ #6-1 user_information = { 'first_name': '王', 'last_name': '小', 'age': 18, 'city': '中国上海' } print('姓: ' + user_information['first_name']...

CHEN CHAO 遛遛 的博客 753

python从入门到实践第六章课后练习

python从入门到实践第六章课后练习 6-1 人 使用一个字典来存储一个熟人的信息,包括名、姓、年龄和居住的城市。该字典应包含键 first_name、last_name、age 和 city。将存储在该字典中的每项信息都打印出来。 people = { 'first_name': 'shi', 'last_name': 'xiangyu', 'age': 23, ...

weixin_45958024的博客 2100

Python编程从入门到实践第6章习题答案

#coding:gbk alien_0 = {'color':'green','point':5} get_point = alien_0['point'] print('You have get ' + str(get_point) + ' points') alien_0['x_position'] = 0 alien_0['y_position'] = 25 print('\n') pri...

qq_42744540的博客 785

python基础之例题

#1.使用print语句,输出hello world print('Hello World!') #2.将hello world 赋值给一个变量,输出 A='Hello World' print(A) #3.将一个人名存储到变量中,以小写,大写和首字母大写的方式显示这个人名 str = "daeNervs" s1=str.lower()#小写 s2=str.uppe

qq_41320857的博客 1332

vivado下ECO操作-不重新综合实现修改属性并生成.bit

ECO即engineer change order,即工程变更指令,可以对设计做局部小改动并只对改动部分重新布局布线并生成.bit。在一个工程动辄编译几个小时情况下,可以在调试中节省大量时间。比如我们在调试中,需要改变时钟占空比或者相位,需要改变寄存器初值等等,此时用ECO暂时改动,待验证后在重新编译无疑是最有效率的方法。 实现ECO通常有两种方式,一是通过vivado界面完成,另一种方法就是tcl脚本。所有的ECO操作都可以通过tcl操作完成,有的操作用vivado界面无法完成,只能通过tcl。以下主要

4662

图像质量评估:使用 SSIM 计算图像相似性

在图像处理领域,衡量两幅图像之间相似性的一种常见方法是使用结构相似性指数(SSIM)。SSIM 是一种全参考的图像质量评估指标,它不仅考虑了图像的亮度、对比度,还考虑了结构信息。在本文中,我们将介绍一个使用 Python 和 OpenCV 实现的 SSIM 计算脚本,并使用该脚本评估两幅图像的相似性。

hasque2019的博客 1154

python习题第六章最后一个 字典中嵌套字典的数据访问方式

6-11 城市:创建一个名为 cities 的字典,其中将三个城市名用作键;对于每座城 市,都创建一个字典,并在其中包含该城市所属的国家、人口约数以及一个有关该城市 的事实。在表示每座城市的字典中,应包含 country 、 population 和 fact 等键。将每座 城市的名字以及有关它们的信息都打印出来。 字典中嵌套字典的数据访问方式 ...

zhouxuan612的博客 1634

ollama接入图像识别大模型

ollama接入图像识别大模型

qq_36437991的博客 2077

第六章 字典

如何定义字典,以及如何使用存储在字典中的信息;如何访问和修改字典中的元素,以及如何遍历字典中的所有信息;如何遍历字典中所有的键值对、所有的键和所有的值;如何在列表中嵌套字典、在字典中嵌套列表以及在字典中嵌套字典。

stadfast的博客 515

lego-loam featureAssociation 源码注释(五)

上一次我们已经看完了特征提取,这次我们进入特征匹配的内容!!!systemInitedLM的初始值为false。

Joeybee的博客 890

【模型转换】将.mindir文件转换成.ms文件(Windows篇)

首先需要在MindSpore中训练好并经过评估可用的模型,可以以标准格式(例如onnx, mindir等)导出,得到.mindir模型文件(例如lenet.mindir)。为了将模型部署到自定义应用中,还需要将其转换为更为紧凑和高效的ms格式模型,用于在MindSpore-Lite环境中推理,这可以通过MindSpore Lite提供的模型转换工具converter_lite完成。

qq_42962847的博客 1426

作业六——字典

        本章主要概述了字典相关的用法和访问方法。6-5 河流    题目描述:       创建一个字典,在其中存储三条大河流及其流经的国家。其中一个键—值对可能是'nile':'egypt' 。        使用循环为每条河流打印一条消息,如“The Nile runs through Egypt.”。        使用循环将该字典中每条河流的名字都打印出来。        使用循环...

七月流火的博客 2365

PyTorch实战(19)——变分自编码器(Variational Autoencoder,VAE)

变分自编码器 (Variational Autoencoder, VAE) 是一种结合了自编码器和概率建模的生成模型,通过编码器将输入数据映射到潜在空间中的概率分布,并通过解码器将从潜在空间采样得到的潜在变量映射回原始数据空间,实现了数据的生成和特征学习。本节中,将介绍变分自编码器的基本概念,并使用 PyTorch 实现变分自编码器生成新图像。

盼小辉丶的博客 2934

《Python编程:从入门到实践》第六章 字典 练习题答案

个人学习自用,有需者随意取 # 6-1 人 xieyiwen = {'name':'yiwen' , 'age':'20' , 'city':'hefei'} print(xieyiwen) # 6-2 喜欢的数字 favorite_numbers = { 'xie' :'6', 'yi' : '66', 'wen' : '666', } prin...

sinat_40701859的博客 902

本地玩转AI还得靠这个,SillyTavern(酒馆)到底有多强?

SillyTavern是一款本地运行的LLM交互前端,支持文本生成、图像生成、语音合成等功能。它最初是TavernAI的分支,现已独立开发,社区活跃,功能更新频繁。SillyTavern通过前端UI和插件系统连接各种大模型后端,如OpenAI、KoboldAI等,用户可以在本地创建“虚拟酒馆”与各种角色对话。其功能亮点包括角色卡、角色记忆、世界设定、多人聊天室、自定义UI和行为脚本、插件扩展支持等。SillyTavern适合AI创作用户、AI工程师、LLM爱好者和AIGC创作者。它有两个维护分支:relea

代码简单说 Vue、JAVA、PHP、Node.js 熟练运用,接口、架构、性能全搞定。 8056

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

Python编程:从入门到实践第六章练习题

从零开始学Python第五天。 第六章 1、字典 6-1 人:使用一个字典来存储一个熟人的信息,包括名、姓、年龄和居住的城市。 该字典应包含键 first_name、last_name、age 和 city。将存储在该字典中的每项信息都 打印出来。 ...

qq_43187792的博客 1702

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

《Python 编程:从入门到实践》第六章(字典)练习题答案

# -*- coding: GBK -*- person_dict = {'first_name':'yanzi','last_name':'li','age':'25','city':'bj'} print(person_dict['first_name']) liked_num = {'huahua':2,'mingming':5,'bobo':7,'tingting':9,'dongdo...

zenmehaichonga_2009的专栏 343

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

Python编程从入门到实践课后答案:第六章

6-1 人 :使用一个字典来存储一个熟人的信息,包括名、姓、年龄和居住的城市。该字典应包含键first_name 、last_name 、age 和city 。将存储在该字典中 的每项信息都打印出来。 在这里插入代码片 ...

weixin_41827268的博客 7116

python编程从入门到实践-第六章习题

动手试一试 6.1人 a={"first name":"guo","last name":"gang","city":"xi'an","age":21}; print(a["first name"]); print(a["last name"]); print(a["city"]); print(a[&qu

qq_36813793的博客 242

《Python编程:从入门到实践》练习题

《Python编程:从入门到实践》练习题

ProgramNovice的博客 2029

Python编程从入门到实践(基础入门)

Python编程从入门到实践 1、Python中的变量 变量名:大小写英文,数字和下划线的组合,不能以数字开头 2、Python首字母大写使用title()方法,全部大写upper()方法,全部小写lower()方法 name=‘ce shi python’ name.title(); ‘Ce Shi Python’ print(name.upper()) CE SHI PYTHO...

louzhu_lz的博客 1万+

Python编程从入门到实践 学习笔记+练习题答案导航

Python编程从入门到实践 练习题答案导航

Is_Superman的博客 990

《Python编程从入门到实践》第六章学习代码笔记

《Python编程从入门到实践》 第六章学习代码笔记

qq_34623480的博客 300

python编程从入门到实践第六章习题答案

#6.1 人people = { "first_name" : 'zetrue' , "last_name": 'Lee' , "age": 20 , "city" : "汕尾" } print( people) for key in people.keys() : print( key , " : " , people[key] )#6.2 喜欢的数字favorite_val

weixin_40029849的博客 1155

python | 第六章:组合数据类型考试题及练习题

本篇文章是对北京理工大学嵩天老师的《Python语言程序设计》第六章:组合数据类型考试题及练习题的学习记录。

兰胖子的博客 2230
上一篇: 《Python编程:从入门到实践》第五章练习题
下一篇: 《Python编程:从入门到实践》第七章练习题
UestcXiye
博客等级 码龄8年 9031粉丝 1306原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UestcXiye

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值